机器学习、深度学习和 IBM Watson 有什么不同?

UK Data with all the active and accurate contact details. All is updated data
Post Reply
jakiyasultana2525
Posts: 30
Joined: Mon Dec 02, 2024 8:59 am

机器学习、深度学习和 IBM Watson 有什么不同?

Post by jakiyasultana2525 »

近年来,人工智能世界经历了翻天覆地的变化。

“机器学习”或“深度学习”等术语已经开始以某种不加区别的方式使用,这对于那些不熟悉支持它们的技术的人来说可能会很困惑。

也许最引人注目的是它们所代表的一组实际应用。在营销领域,所谓的预测营销代表着企业获取结果方式的改变。

在本例中,我将把它与 IBM Watson 结合起来,IBM Watson 是 IBM 认知技术的一项令人印象深刻的开发成果。在 ShowerThinking,我们致力于这一领域的工作,并且我们是西班牙首批获得Watson Analytics 合作伙伴资格的公司之一。

我将尝试将这组新术语“翻译”成凡人的语言,同时将它们相互进行比较。祝我好运

机器学习:机器学习它所告诉的内容
机器学习是人工智能的主要实际应用之一,它基于设计能够通过增量接触数据来提高性能的程序。这被称为“学习”并试图模仿人类行为。

从技术上讲,机器学习包括使用统计和数学技术来创建 国家代码 +372,爱沙尼亚电话号码 对数据收集响应的预测模型。该学科进一步细分为监督学习和无监督学习。

也就是说,程序不需要特定用户准确指示每个事件的指令,而是能够逐步学习并提高其性能。

我们每天受益的最典型的例子之一就是电子邮件管理器的垃圾邮件文件夹。

尽管我们总是可以将某封电子邮件标记为垃圾邮件,但管理在线信件接收的程序能够根据在其收集的信息中一遍又一遍重复的统计标准来学习识别和标记垃圾邮件。

社交媒体算法也受益于机器学习的使用,以识别特定时刻最热门的主题或我们最感兴趣的主题。所有这一切都归功于数据的逐步收集和统计学习。

机器学习的主要局限性是什么?
机器学习的最大限制恰恰在于,那些作为统计分析主题的特征必须由程序员事先手动指定。

显然,这对“机器学习”能力产生了明显的限制,并且在编程过程中产生了更高的人为错误发生率。

如果程序仅在受控环境中运行,则变量相对较小。然而,当我们将这项技术应用到现实的日常环境中时,困难就开始出现了。

需要定义多少参数才能使程序有效地识别人脸或交通标志?
从先验角度来看,它们看起来像是可定义的对象,但实际上,最微妙的变化(例如部分可见性或可见性降低)使这些程序不可能可靠。

深度学习就是这些问题的答案。

Image

深度学习:一台能够学习决定什么是重要的机器
新的深度学习算法旨在能够制定自己的标准并建立新的参数来制定和执行决策,就像人类所做的那样。

深度学习是 20 世纪 60 年代创造的人工神经网络的继承者。直到几年前,由于连续的层和神经连接需要大量的计算,它还不可能有效地付诸实践。

计算过程最终得到一个关于程序已接收和处理的信息的含义或影响的概率向量。例如,如果目标是识别交通标志,程序会确定它是停车标志、限速标志或广告牌的概率。

最好的?

重复暴露于相同的刺激使机器能够自行学习并决定定义它需要理解的信息或现实的主要特征是什么。

近年来最大的里程碑之一是工程师安德鲁·吴(Andrew Ng)创建了一个能够识别视频中的猫的巨大神经网络。为此,他让程序通过观看数百万个 YouTube 视频来“学习”。

今天,我们都知道正在发生的应用,例如,在自动驾驶领域。然而,它的影响范围更远。

IBM Watson 是什么?它与这一切有什么关系?
商业领域最常用的人工智能解决方案之一是IBM Watson。他的名字是为了纪念 IBM 首任首席执行官托马斯·约翰·沃森 (Thomas John Watson)。

IBM Watson 是一个能够处理自然人类语言(音频、视觉元素、文本)的人工智能系统;基于此数据执行自动推理。

专家执行的认知过程包括 3 个步骤:

注意
解释和评估
决定
IBM Watson 是一个认知计算系统,基本上它的任务是提供与人类推理有一定类比的高级推理,并排除情感方面,我们清楚地知道情感方面对人类决策的影响有多大。

数据分析和BI需要使用算法和使用复杂算法的计算机设备来处理大量数据。它们基于合格专业人士的经验,他们也了解业务问题、进行分析并解释结果。

沃森以类似于人脑的方式“思考”或“推理”。他们处理信息、得出结论并从经验中学习。它不使用预定义的规则来发现答案。根据大量数据和联系生成假设。响应与置信范围一起显示为建议。与分析工具不同,它接收到的数据越多,它就能做出更好的洞察。

此外,它的与众不同之处在于,除了纯定量数据之外,IBM Watson 还管理符号和概念信息,因此它的使用在复杂情况下很有用。

一般来说,认知系统经常使用机器学习技术,但认知计算不是机器学习方法,而是协作解决问题的人工智能系统的集成。

面对这些挑战,IBM Watson 是专家最好的盟友之一,因为它使他们能够加速并扩展他们的专业知识。

如果您对这些主题感兴趣,请关注我的帖子,因为我将对此进行更多评论。

5 月 21 日,我将在PyData 2017 巴塞罗那会议 上举办一场关于营销数据科学的会议,这是全球数据分析师最重要的活动之一。在这里你可以看到 PyData 程序 ,你还有时间买票。
Post Reply